ページの本文へ

Hitachi

予兆検知と診断精度向上の仕組み

予兆検知と診断精度向上の仕組みイメージ図

  • ●AIを用いてデータ特性を自動でカテゴリーに分類し、正常と異なるカテゴリーを検出することで予兆診断します。プラント予兆を行う際、カテゴリー分けした正常時の運転データを基に、カテゴリーの一致不一致で状態変化を検知します。
  • ●予兆検知の感度(新規カテゴリーの出易さ)を決めるパラーメーター(正規化の上下限値、カテゴリーのサイズ)はシステムで自動算出されるため、自動算出値を基準にすることで、簡便に感度を調整することが可能です。

検知後は、その要因(温度や圧力の高低など)を基に正常・異常や事象の内容をカテゴリーごとに追加学習させることで、診断精度を高めることが可能です。モデルに対する設定変更は不要で、逐次的にモデルが進化します。
また、運転員のメモを記載することで、次回以降の事象回避・対処に活用できます。

追加学習による診断精度向上イメージ図

追加学習による診断精度の向上の例

  • ■ データ傾向変化の原因が、運転条件の変更、メンテナンス、経年劣化、季節変動による場合
    → 異常ではないため、カテゴリーを正常として登録。以後の誤検知を回避
  • ■ データ傾向変化を検知した後、対策作業により異常原因が判明した場合
    → カテゴリー番号と異常事象を関連づけて登録。以後、同じカテゴリーが発生した時に異常事象も出力
ページの先頭へ
お問い合わせ